Jak obliczyć różnice między kolejnymi wierszami w ramce danych pandy?

Question

Mam ramkę danych, df, z trzema kolumnami: count_a, count_b i date; liczy się pływaki, a terminy są następujące po sobie dni w 2015

Próbuję dowiedzieć się różnicę pomiędzy poszczególnych dni liczy się zarówno count_a i count_b kolumn - oznacza to, staram się obliczyć różnicę między każdy wiersz i poprzedni wiersz dla obu tych kolumn. Ustawiłem datę jako indeks, ale mam problem z ustaleniem, jak to zrobić; było kilka wskazówek na temat używania pd.Series i pd.DataFrame.diff, ale nie miałem szczęścia znajdowania odpowiedniej odpowiedzi lub zestawu instrukcji.

Trochę utknąłem i będę wdzięczny za wskazówki.

Oto co moja ramka danych wygląda następująco:

df=pd.Dataframe({'count_a': {Timestamp('2015-01-01 00:00:00'): 34175.0, 
    Timestamp('2015-01-02 00:00:00'): 72640.0, 
    Timestamp('2015-01-03 00:00:00'): 109354.0, 
    Timestamp('2015-01-04 00:00:00'): 144491.0, 
    Timestamp('2015-01-05 00:00:00'): 180355.0, 
    Timestamp('2015-01-06 00:00:00'): 214615.0, 
    Timestamp('2015-01-07 00:00:00'): 250096.0, 
    Timestamp('2015-01-08 00:00:00'): 287880.0, 
    Timestamp('2015-01-09 00:00:00'): 332528.0, 
    Timestamp('2015-01-10 00:00:00'): 381460.0, 
    Timestamp('2015-01-11 00:00:00'): 422981.0, 
    Timestamp('2015-01-12 00:00:00'): 463539.0, 
    Timestamp('2015-01-13 00:00:00'): 505395.0, 
    Timestamp('2015-01-14 00:00:00'): 549027.0, 
    Timestamp('2015-01-15 00:00:00'): 595377.0, 
    Timestamp('2015-01-16 00:00:00'): 649043.0, 
    Timestamp('2015-01-17 00:00:00'): 707727.0, 
    Timestamp('2015-01-18 00:00:00'): 761287.0, 
    Timestamp('2015-01-19 00:00:00'): 814372.0, 
    Timestamp('2015-01-20 00:00:00'): 867096.0, 
    Timestamp('2015-01-21 00:00:00'): 920838.0, 
    Timestamp('2015-01-22 00:00:00'): 983405.0, 
    Timestamp('2015-01-23 00:00:00'): 1067243.0, 
    Timestamp('2015-01-24 00:00:00'): 1164421.0, 
    Timestamp('2015-01-25 00:00:00'): 1252178.0, 
    Timestamp('2015-01-26 00:00:00'): 1341484.0, 
    Timestamp('2015-01-27 00:00:00'): 1427600.0, 
    Timestamp('2015-01-28 00:00:00'): 1511549.0, 
    Timestamp('2015-01-29 00:00:00'): 1594846.0, 
    Timestamp('2015-01-30 00:00:00'): 1694226.0, 
    Timestamp('2015-01-31 00:00:00'): 1806727.0, 
    Timestamp('2015-02-01 00:00:00'): 1899880.0, 
    Timestamp('2015-02-02 00:00:00'): 1987978.0, 
    Timestamp('2015-02-03 00:00:00'): 2080338.0, 
    Timestamp('2015-02-04 00:00:00'): 2175775.0, 
    Timestamp('2015-02-05 00:00:00'): 2279525.0, 
    Timestamp('2015-02-06 00:00:00'): 2403306.0, 
    Timestamp('2015-02-07 00:00:00'): 2545696.0, 
    Timestamp('2015-02-08 00:00:00'): 2672464.0, 
    Timestamp('2015-02-09 00:00:00'): 2794788.0}, 
'count_b': {Timestamp('2015-01-01 00:00:00'): nan, 
    Timestamp('2015-01-02 00:00:00'): nan, 
    Timestamp('2015-01-03 00:00:00'): nan, 
    Timestamp('2015-01-04 00:00:00'): nan, 
    Timestamp('2015-01-05 00:00:00'): nan, 
    Timestamp('2015-01-06 00:00:00'): nan, 
    Timestamp('2015-01-07 00:00:00'): nan, 
    Timestamp('2015-01-08 00:00:00'): nan, 
    Timestamp('2015-01-09 00:00:00'): nan, 
    Timestamp('2015-01-10 00:00:00'): nan, 
    Timestamp('2015-01-11 00:00:00'): nan, 
    Timestamp('2015-01-12 00:00:00'): nan, 
    Timestamp('2015-01-13 00:00:00'): nan, 
    Timestamp('2015-01-14 00:00:00'): nan, 
    Timestamp('2015-01-15 00:00:00'): nan, 
    Timestamp('2015-01-16 00:00:00'): nan, 
    Timestamp('2015-01-17 00:00:00'): nan, 
    Timestamp('2015-01-18 00:00:00'): nan, 
    Timestamp('2015-01-19 00:00:00'): nan, 
    Timestamp('2015-01-20 00:00:00'): nan, 
    Timestamp('2015-01-21 00:00:00'): nan, 
    Timestamp('2015-01-22 00:00:00'): nan, 
    Timestamp('2015-01-23 00:00:00'): nan, 
    Timestamp('2015-01-24 00:00:00'): 71.0, 
    Timestamp('2015-01-25 00:00:00'): 150.0, 
    Timestamp('2015-01-26 00:00:00'): 236.0, 
    Timestamp('2015-01-27 00:00:00'): 345.0, 
    Timestamp('2015-01-28 00:00:00'): 1239.0, 
    Timestamp('2015-01-29 00:00:00'): 2228.0, 
    Timestamp('2015-01-30 00:00:00'): 7094.0, 
    Timestamp('2015-01-31 00:00:00'): 16593.0, 
    Timestamp('2015-02-01 00:00:00'): 27190.0, 
    Timestamp('2015-02-02 00:00:00'): 37519.0, 
    Timestamp('2015-02-03 00:00:00'): 49003.0, 
    Timestamp('2015-02-04 00:00:00'): 63323.0, 
    Timestamp('2015-02-05 00:00:00'): 79846.0, 
    Timestamp('2015-02-06 00:00:00'): 101568.0, 
    Timestamp('2015-02-07 00:00:00'): 127120.0, 
    Timestamp('2015-02-08 00:00:00'): 149955.0, 
    Timestamp('2015-02-09 00:00:00'): 171440.0}}) 

Answer 1

powinien dać pożądany rezultat:

>>> df.diff() 
count_a count_b 
2015-01-01  NaN  NaN 
2015-01-02 38465  NaN 
2015-01-03 36714  NaN 
2015-01-04 35137  NaN 
2015-01-05 35864  NaN 
.... 
2015-02-07 142390 25552 
2015-02-08 126768 22835 
2015-02-09 122324 21485 

Answer 2

można stosując metodę .rolling_apply(…):

diffs_a = pd.rolling_apply(df['count_a'], 2, lambda x: x[0] - x[1]) 

Ewentualnie, jeśli jest to łatwiejsze, można operować na tablicach bezpośrednio:

count_a_vals = df['count_a'].values 
diffs_a = count_a_vals[:-1] - count_a_vals[1:]